受生物大腦機制的啟發(fā)，研究人員一直在提高人工神經(jīng)網(wǎng)絡(luò)的性能效率和計算要求。一項新的研究表明，對于大型深度學(xué)習(xí)網(wǎng)絡(luò)，神經(jīng)形態(tài)技術(shù)的能源效率有望達(dá)到其他人工智能系統(tǒng)的 16 倍。
格拉茨技術(shù)大學(xué)（TU Graz）理論計算機科學(xué)研究所的研究人員首次通過實驗證明，大型神經(jīng)網(wǎng)絡(luò)可以處理句子等序列，同時在神經(jīng)形態(tài)硬件上運行時消耗的能量比非神經(jīng)形態(tài)硬件少 4 到 16 倍。
該研究由人類大腦計劃（HBP）資助，HBP 是世界上最大的研究項目之一，包括歐洲500 多名研究人腦的科學(xué)家和工程師。研究結(jié)果以“Memory for AI Applications in Spike-based Neuromorphic Hardware”為題發(fā)表在 Nature Machine Intelligence 上。
近年來，人工神經(jīng)網(wǎng)絡(luò)（ANN）已成為人工智能（AI）中最著名的方法，并在計算機視覺、汽車控制、飛行控制和醫(yī)療系統(tǒng)等各個領(lǐng)域取得了卓越的性能。
能夠自主識別和推斷對象以及不同對象之間關(guān)系的智能機器和智能計算機，是全球人工智能研究的重要主題。但是，能源消耗是此類 AI 方法更廣泛應(yīng)用的主要障礙。
一直以來，科學(xué)家們希望神經(jīng)形態(tài)技術(shù)能夠推動正確的方向發(fā)展。要知道，人類大腦在使用能量利用方面非常高效。為了處理信息，我們的大腦中千億個神經(jīng)元只消耗大約 20 瓦的能量，也就是相當(dāng)于一個普通的節(jié)能燈泡的能耗。而神經(jīng)形態(tài)技術(shù)就是以人腦為模型。
在這項最新研究中，研究團隊專注于處理時間過程的算法。例如，系統(tǒng)必須回答有關(guān)先前講述的故事的問題，并從上下文中掌握對象或人之間的關(guān)系。測試的硬件由 32 個 Loihi 神經(jīng)形態(tài)研究芯片組成，該芯片利用神經(jīng)科學(xué)的見解來創(chuàng)建類似于生物大腦的功能。
在這項研究的神經(jīng)形態(tài)網(wǎng)絡(luò)中，研究人員復(fù)制了一種大腦記憶機制，正如理論計算機科學(xué)研究所博士生導(dǎo)師 Wolfgang Maass 所解釋的那樣，實驗研究表明，即使沒有神經(jīng)活動，人腦也可以在短時間內(nèi)存儲信息，即在所謂的神經(jīng)元“internal variables”。模擬實驗表明，神經(jīng)元子集的疲勞機制對于這種短期記憶至關(guān)重要。
缺乏直接證據(jù)是因為這些內(nèi)部變量還無法測量，但這確實意味著神經(jīng)網(wǎng)絡(luò)只需要測試哪些神經(jīng)元當(dāng)前處于疲勞狀態(tài)，就可以重建它之前處理過的信息。換句話說，先前的信息存儲在神經(jīng)元的不活動中，而不活動就消耗最少的能量。
為此，研究人員將兩種類型的深度學(xué)習(xí)網(wǎng)絡(luò)聯(lián)系起來。反饋神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)“短期記憶”，許多此類所謂的循環(huán)模塊從輸入信號中過濾掉可能的相關(guān)信息并將其存儲。前饋網(wǎng)絡(luò)確定找到的關(guān)系對于解決手頭的任務(wù)非常重要。無意義的關(guān)系被篩選掉，神經(jīng)元只在那些已經(jīng)找到相關(guān)信息的模塊中激發(fā)。這個過程最終導(dǎo)致了能耗的大大降低。
TU Graz 理論計算機科學(xué)研究所的博士生 Philipp Plank 說，“我們的神經(jīng)形態(tài)技術(shù)系統(tǒng)比傳統(tǒng)硬件上的其他 AI 模型的能效高 4 到 16 倍，隨著這些模型遷移到下一代 Loihi 硬件，Plank 預(yù)計效率會進一步提高，從而顯著提高芯片間通信的性能。”
這項研究得到了英特爾和歐洲人類大腦計劃的資金支持，人類大腦計劃旨在將神經(jīng)科學(xué)、醫(yī)學(xué)和受大腦啟發(fā)的技術(shù)聯(lián)系起來。為此，該項目正在創(chuàng)建一個永久性的數(shù)字研究基礎(chǔ)設(shè)施——EBRAINS。
“神經(jīng)形態(tài)芯片有望為人工智能帶來收益，尤其是通過降低其高昂的能源成本。這項研究提供了更多證據(jù)，表明神經(jīng)形態(tài)技術(shù)可以通過從生物學(xué)的角度重新思考，來提高當(dāng)今深度學(xué)習(xí)工作負(fù)載的能源效率。”英特爾神經(jīng)形態(tài)計算實驗室主任 Mike Davies 表示。
“循環(huán)神經(jīng)結(jié)構(gòu)有望為未來在神經(jīng)形態(tài)硬件上運行的應(yīng)用程序提供最大的收益，神經(jīng)形態(tài)硬件非常適合促進我們在大腦中觀察到的快速、稀疏和不可預(yù)測的網(wǎng)絡(luò)活動模式，并且是節(jié)能的 AI 應(yīng)用程序所需要的。”
（鈦媒體網(wǎng)）
設(shè)為首頁
